A estimativa de pose 6D que equilibra precisão e aplicabilidade tem sido um tópico importante e desafiador de pesquisa. Este artigo propõe uma rede de estimativa de pose 6D baseada na fusão de características atencionais de dados multimodais. Primeiramente, é introduzida uma estrutura de módulo squeeze-and-excitation mais profunda, que fortalece as dependências e amplia o campo receptivo ajustando os pesos dos canais, melhorando o processamento das características das imagens RGB. Além disso, para dados multimodais, é implantado um módulo iterativo de fusão de características atencionais na fase de fusão, que através de múltiplas iterações resolve o problema da inconsistência de escala na fusão global de características, permitindo capturar e integrar dados multimodais com maior precisão, melhorando significativamente a regressão de pose. Por fim, para avaliar quantitativamente a robustez e a aplicabilidade do modelo em ambientes complexos, é introduzido o índice de percentual invisível, que permite avaliar o desempenho do modelo no tratamento de oclusões parciais ou fundos complexos. Experimentos de predição de pose em conjuntos de dados públicos verificaram que o modelo aprimorado não apenas alcançou previsões precisas no conjunto de validação, mas também é mais aplicável em ambientes complexos em comparação com o modelo Densefusion.

Estimação de pose 6D; dados multimodais; fusão de características atencionais; percentual invisível